•采用爬虫获得井盖数据集，根据井盖状态对其进行四分类标注，采用yolov8对输入的井盖图像进行目标检测，使用分类损失、回归损失和目标置信度损失进行模型训练优化，提高识别准确率。 •使用streamlit库与NCNN框架分别部署于Web与Android端，确保了识别结果的实时可视化。尝试多种方法，较好地解决了Pytorch to NCNN的模型转化过程中出现的错误从而导致APP崩溃的问题。 •训练过程中四个分类的mAP均在0.82~0.94，总体mAP@0.5为0.82，表明模型在总体上有较好的表现，有较高的精度和召回率。针对复杂光照条件导致的误报问题，引入曝光度调整的数据增强策略，有效降低误报率，提高模型在不同环境下的鲁棒性，助力路政部门高效监测井盖异常，降低公共安全风险。针对边缘设备fps过低的问题使用了FasterNet，极大的提升了fps。